文摘

降尺度全球天气预报模型输出各个位置或地方尺度是一种常见的实践操作天气预报,以便正确的次网格尺度的模型输出。介绍一个empirical-statistical降尺度方法降水预测使用前馈多层感知器(MLP)神经网络。向MLP通过考虑物理基础架构进行优化确定大气的循环变量。缩减规模降水被用作输入到超级坦克(径流模型)洪水预测模型。星期四的案例研究好流域,位于越南中部。研究结果表明,中长期规划降水预测的表现,直接从使用多元线性回归模型输出或缩减规模。因此,洪水预报的基础上缩减规模降水非常令人鼓舞。已经证明是一个强大的技术,实现简单,可靠和通用洪水预报申请通过降尺度模型和超级坦克模型的结合。

1。介绍

数值天气预报(NWP)最近展示了其突破洪水预报。预计交货时间,洪水预测基于数值天气预报输出往往比其他传统的预测是基于实时观察,尤其是在小到中型流域径流浓度相对较短。的交货期预测数值天气预报从短期预测(几小时到几天)中程预测(十天或更多)。这允许实现有效的行动计划来减少洪水风险。在全球范围内,尽管NWP模型方面都有了明显的改善空间分辨率,目前从25到50公里,这些空间分辨率仍然远离水文模拟或局部范围天气研究的要求,通常需要更细微的决议,大约几百米的小型集雨几公里的大型盆地。由于陆地表面是非常粗糙的网格内的平均细胞;因此,小规模的地形的影响可能不是解决全球数值天气预报模式。结果,输出从NWP模型,以下简称模型输出,通常是不可靠的降水等众所周知的是最不可预测的变量。出于这个原因,洪水预测基于模型输出没有什么预期[1,2]。虽然希望在不久的将来,全球NWP模型可能操作更好的决议,降尺度模型输出从这些决议到特定的地点或地区平均实际用途是至关重要的。降尺度是一个熟悉的技术用于气候研究和天气预报,旨在利用来自全球NWP模型输出的信息,特别是在水文影响的评估由全球气候模型或尝试径流预测。

对水文模拟和预测,尽管它是一个新的方法,人工神经网络(ANN)已经报告给更好的性能比其他一些传统的径流预测降雨径流模型(3]。(安)径流预测的使用基本上是分为两种方法。首先,大多数研究使用ANN方法直接径流预测或河阶段,如文献[4]。基于ANN预测通常被认为是作为一种经验方法使用数学转移函数相关的流量与其它天气变量。在这种情况下,降雨径流过程被称为黑盒系统的输入通常是水文气象变量,如前期降雨和流量,输出经常预测径流或阶段。这个过程显然忽略了物理特性的影响流域的径流生成过程。因此,有时反映了不一致性和效率低下。此外,这种方法通常提供了子序列的发生降雨径流预测。因此,预测更换模具的时间相对较短,尤其是快速反应集雨的0到几个小时。在某种程度上,它被认为不足以实施有效的防洪减灾措施。相反,第二种方法利用ANN来间接径流预测。安是用来增加降水预报的准确性,通常从模型获得输出,然后用作径流输入水文模型预测。 This approach is likely to outperform the previous one not only in terms of forecast lead-time extension but also the inclusion of the effects of catchment physical variations and rainfall distribution on the runoff generation process; thus, predictions are more realistic. Recent studies showed that potential predictors used for precipitation prediction are mostly based on outputs from high-resolution weather prediction models or combination of these outputs with other remote sensing information such as images of cloud structures [5,6]。然而,现有的限制,这些研究被限制只适用于一些在有限的地方可在相对短期的高分辨率模型或预测。这意味着更大的洪水预测交货期需要在更大的尺度上,特别是在发展中国家,在全球范围内覆盖NWP模型是可用的;因此,它的效益最大化。

介绍empirical-statistical方法减少降水的发展从全球数值天气预报输出为洪水径流预测basin-average规模。最受欢迎安建筑、前馈多层感知器(MLP)使用误差反向传播训练方法,选择大规模降水缩减规模。从全球NWP大规模预测得到输出,由日本气象厅,0.5°网格点值数据。物理基础分析了降水演变的中长期规划的优化配置用于校准过程,因为它是非常重要的退出不相关的变量,导致过度拟合和克服学习阶段的要求很长一段历史记录以及加快计算技能。

研究的角度目标使用简单的方法广泛应用和经过验证的准确性。因此,缩减规模降水被用作输入到超级坦克模型、降雨径流模型calibration-free要求,已应用于模拟河道水流的盆地在不同时空尺度预测洪水径流。的案例研究上清华好河,位于越南中部,洪水被认为是最危险的灾难对人类的生活。研究结果预计将提高现有的洪水预报技术和缓解措施。这对发展中国家被认为是有价值的地面气象观测是稀缺和获得高分辨率数值天气预报模型是有限的。

2。数据和方法

2.1。数据和研究区域

全球NWP模型在许多国家气象机构操作,如在欧洲,美国和日本。这些模型通常升级;因此,以来时空分辨率迅速增加计算机技术的出现。然而,每个机构都有自己的预期目的,在很大程度上依赖于计算能力。模型可能不同的物理参数,预测范围,预测问题,和时空分辨率。本研究使用来自全球大气变量NWP模型输出,在日本气象厅操作,空间分辨率为0.5°和60垂直层。目前被认为是最先进的数值天气预报模式,为全球规模,生产84小时预报,每天4次,在00,12,18日06 utc。表面沉淀和其他变量预计每6小时间隔,00六,6 - 12,12 - 18,18-24UTC。

本研究解决公约,从雨水抵押品被视为参考降雨(真理)的比较。考虑到全球NWP 0.5°空间分辨率已经操作自2007年底以来,这种分析是基于归档数据的湿季,2008年和2009年。反距离加权法被用来插入大气降水和相关参数(雨量计)或从一个点表示网格点值表示(NWP) area-average基础。

在越南中部,它一直强调,洪水是最常见的与气候有关的灾难。该地区经常经历了大规模的洪水在潮湿的季节,每年从9月到12月。这些洪水通常是由极其普遍强烈地形降水发生的迎风安南范围,称为越南和老挝之间的边界。这种类型的降水基本上是通过制定从大陆北部寒冷的激增和太平洋的热带气旋(7]。盆地中选择本研究是星期四Bon河的上游河段(见图1)的排水区3150公里²。流域平均海拔约445米高于平均海平面。鉴于地貌,河流在这个地区通常非常短和陡峭;因此,排水迅速响应,导致人在很短的时间风险实施有效的缓解措施。

2.2。缩小规模

预计在不久的将来,全球NWP模型可能是运行在非常高分辨率;然而,仍有需要完善这些模型输出,个人网站或当地的尺度气象研究与应用(8]。降尺度是一种常见的技术用于气候研究和天气预报,试图利用全球大气降水信息等变量影响评估的使用,在次网格或小尺度水文模拟和预测。降尺度方法是简单地分为动态方法和empirical-statistical方法(9]。

动力降尺度通常是指有限区域模式(打),或所谓的嵌套网格模型,嵌入全球数值天气预报领域的横向边界。这种类型的模型通常是基于基本的物理原理和能够考虑考虑小型陆地表面对天气的影响。因此,输出从林有望成为现实。然而,它需要具有成本效益的评估对于降尺度方法的选择。首先,它是昂贵的运行林因为大规模的计算需求,被称为超级计算机系统。因此,许多国家,尤其是发展中国家,能够建立自己的林天气预报和水文模拟的目的。这种类型的模型是目前只有在北美等地区(北大西洋模型),日本(中尺度模型),在欧洲一些地区对德国(COSMO模型)。第二,林也受到系统性的偏差作为他们的准确性在很大程度上依赖于真实性全球气候模型的输出用于推导出边界条件的林9]。此外,在某些情况下finer-grid数据可能不会反映在水文模型如果细节在时间和空间聚合(10]。

符合本研究的范围,简单的方法在一个广泛的应用程序比本研究使用统计降尺度方法,被认为是最具成本效益的方法之一在本地影响评估气候场景和天气预报。统计降尺度是廉价的运行和普遍适用的。提出了各种统计工具天气降尺度,显然是审阅Wilbey和威格利8]。统计降尺度从根本上是基于制定大规模的大气变量之间的线性或非线性关系和本地或单站点规模变量。然后使用这些关系的正确输出数值天气预报模型。该方法的缺点是,它需要一个长期的历史天气观测记录校准过程。然而,在当前研究的背景下,这个问题是可以避免的,考虑到物理基础关于风暴事件的演化过程研究中区域。这些暴风雨是广泛的地形降水,通常在潮湿的热带低压和台风季节。

模型输出数据(MOS)作为一个历史悠久而闻名的统计降尺度的工具操作天气预报(11]。多元线性回归是常用的配方变量之间的关系(预测)来自全球数值天气预报输出和本地或小规模的变量(predictants)降尺度降水等。这种方法已被接受在许多气象业务天气预报中心,例如,在美国。尽管如此,降水是最不可预测的变量之一,在学习技能;回顾经验降尺度技术表明,ann通常观察到执行一个更好的学习能力比其他回归降尺度技术(4,12]。因此,本研究采用安简化大规模降水来自全球NWP模型输出。

基于降尺度全球地面天气分析数值天气预报输出通常是进行个人分,次网格尺度或area-average基地。数值天气预报输出grid-point-value格式,提供在非常粗糙的空间分辨率。使用area-average降尺度方法显然倾向于降低小规模的影响,特别是当流域大小大于网格大小的细胞(大约2500公里²)。初步信息从邻居网格点插值研究盆地利用反距离加权法。同样的程序进行地面降雨观察点为了与那些从模型获得输出。

2.3。人工神经网络(ANN)

人工神经网络是简单地理解为一个非线性统计数据建模工具,提出了预测因子之间复杂的关系(输入层)和predictants(输出层)通过一个突触(隐藏层)系统连接与predictants预测,或所谓的输出。因此,安已经证明了它广泛的应用在许多领域解决复杂的问题,例如,工程和环境。

鉴于许多类型的安被广泛开发到目前为止,在文献[如上所述4),特别是误差反向传播训练算法研究[13)是很重要的选择一个适当的安配置和训练方法。在许多情况下,应考虑成本效益分析。本研究方法,例如,使用一个简单的和可靠的技术是更可取的。其中一个最简单的和受欢迎的安架构主要是用于水文建模,大约89% (4),使用误差反向传播前馈多层感知器(MLP)重量更新规则,是用于校准过程。目前,向MLP神经网络被发现优于径向基函数神经网络和多元线性回归方法。前馈延时配置选择这里包括一个输入层、一个隐藏层已被大多数研究[4相互联系的),和一个输出层突触权重(图2)。隐层节点数的选择从()(),输入节点的数量和吗是输出节点的数量(14]。训练阶段的安是调整权重,以便网络输出的区别(predictants)和预期的输出是最小化。为每个节点在给定层,输出在前一层神经元提供节点的输入。这些输出乘以相应的节点之间的连接权重,然后求和函数一起补充说所有这些产品产生的输入处理的激活函数。激活函数的选择依赖于网络和学习算法的类型;然而,物流乙状结肠和双曲正切函数大多采用,分别高达64%和13% [4]。近似用于中给出的重量变化(2。1由δ规则()15] 在哪里是学习速率参数,是重量,是平方误差。

2.4。优化的预测

它已经在解决4安),对数据处理,确定合适的预测的输入层是非常重要的。这个过程往往不仅退出这些变量没有影响输出,以避免过度拟合也要克服缺乏历史记录用于校准过程。出于这个原因,本研究考虑了基于身体的考虑关于降水演变。为解决在前面的章节中,研究区主要是地形降水,强降雨的盛行在迎风面(东)安南约1500米,也就是说,约等于850 hPa的位势高度的压力水平,和很少的降水落在背风的一面(向西)。因此,在数百个变量提供的全局数值天气预报输出,只有变量选择地形降水演变的驱动因素校准过程。它包括动量变量的压力水平的700 hPa和850 hPa等风场速度和垂直压力的变化和降雨预测表面上。额外的预测因子进行筛选,确定一套好的预测基于“逐步回归”或称为回归。

2.5。水文模型

对水文建模、水箱模型被认为是一个非常简单的模型,该模型已广泛应用于降雨runoff-analysis。这个特性符合研究的角度来看,简化方法是可取的。然而,作为一个概念模型,坦克模型有许多参数需要校准;它可能不是一个合适的选择评估为贫困观察流域降雨径流过程。在这项研究中使用的超级坦克模型旨在克服这个问题。超级坦克也是基于最初的坦克模型,被归因于一些物质基础功能(16]。因此,超级坦克模型几乎是calibration-free要求,因为内部模型参数校准基于流域geotopographical信息。此外,超级坦克模型semidistributed;因此,它被认为优于集中水文模型空间变化的考虑。因此,超级坦克模型表明降雨径流模型的鲁棒性和可靠性,在广泛的空间和时间尺度中描述(2),尤其是稀缺观察集雨。径流模型的评价性能是基于两个标准,纳什Sutcliffe指数(NSI),或所谓的效率系数和径流预测的相对误差(),表达了(2。2)和(2。3),分别 在那里,=观察河流量和=意味着观察河流量和=河流量预测。

3所示。结果与讨论

3.1。降尺度降水

对降水预报,它被认为是最困难的预测变量。降水演变涉及到一个复杂的过程,不仅是由大气中的动态变化也受到陆地表面特征的影响。数值天气预报模型,在一般情况下,倾向于高估光降雨。另一方面,它似乎严重低估了强烈的降雨,特别是在高架分水岭。在实践中,预测提前期越长,最有效的应对洪水可以到位。不幸的是,预测不确定性可能是大以及预计交货时间。有必要评估需要交货时间的预测洪水减灾目的。在这项研究中,预测了洪水警报定义。预计交货时间应该是足够的,如对于被认为是在24小时内的疏散,在发展中国家具有非常有限的访问适当的物流可用性和疏散路线。结果,分析的重点是模型输出24小时预测交货时间通过更新现有预测交货时间(84小时)每天。 In addition to the increased trend of the uncertainty along with the forecast lead time, it has been observed that forecast skill of NWP models is higher as model resolutions are increased.

开展了初步的降尺度降水插值网格点值表示的模型输出(0.5°或等于网格单元的大小公里)为流域的次网格尺度是平均规模。area-average降雨的比较来自雨期Sep-Dec量规和模型输出,提出了2008年和2009年,在图3。这段时期被归类为湿季降雨量最强烈的风暴观察时。雨季通常拥有高达70%的年降水总量。见图3、模型偏差被发现对大多数风暴事件。model-output-driven降水预测是远低于实际的观察。这种差异的原因可能是由于高度的依赖降水之间的实际的交谈行为观察和获得模型输出,尤其是流域升高。的比较高度的依赖降水进行了观测和模型输出之间的不同位置(9雨量规,见图1在越南中部)和不同高度(17]。结果表明,降雨的增加趋势关系观察到9雨抵押品及其高程被发现。雨在低位置量规,换句话说,靠近海岸线,观察显示更少的降雨比位于高海拔地区。相反,降雨预测,初步缩减规模从模型输出到个人雨量器使用插值方法,描述了一个相反的趋势。它被发现是一个相当大的下降的预测降雨对高度的增加。预测降水接近观察在低海拔地区被发现。这个模型偏差可能被解释为表面海拔平均在一个粗糙的空间分辨率;因此,小规模的地形的影响可能不是解决全球数值天气预报模式。

在接下来的段落,降尺度降水的结果,使用前馈延时误差反向传播训练算法。的输入层前馈延时架构,逐步回归的结果,包括3预测节点(3)源自模型输出,包括垂直大气压力的变化(i) 700 hPa层,850 hPa层(2),(3)降水预测表面上。6为隐层节点被选中。最后,从输出层是缩减规模沉淀的结果。数据12风暴事件发生在潮湿季节,2008年和2009年,被选为分析。数据集分为训练和验证数据,大多数研究使用。

area-average缩减规模沉淀,所得模型输出然后相比实际area-average观察,称为参考降雨,暴雨事件的基础上。结果表明,有一个低数值天气预报模型的预报技巧在每个风暴事件的最初阶段。模型严重低估了实际的降水。更好地预测技能被发现经济衰退对肢体的风暴。然而,累计降水的比较表明,降雨预测NWP模型远小于实际的观察(图4)。这些不确定性不仅可以被理解为产生的平均海拔在粗网格细胞表面和全球数值天气预报模式的高度的偏见也因为初始条件不完备的假设输入到NWP模型在每一个初始阶段的风暴。

另一方面,显著提高降雨预测使用提出的降尺度方法观察。对累计降雨量缩减规模和观察之间的比较,发现了很好的协议。见图4缩减规模降水(圆圈)显示,最适合与完美的线(实线)。相关系数area-average降雨增加约12%和5%的单一风暴和连续的暴风雨,分别。确定系数()措施的健康回归模型被发现直接模型输出从0.55上升到0.96为缩减规模降雨使用ANN技术单一风暴事件。同样,0.39和0.56的值是连续获得风暴事件。同时,技能分数基于ANN的降水预报比那些基于DMO,大约增加45%。这意味着目前的降尺度方法由于一些physical-based特性是合适的,普遍适用的在很长一段历史记录的要求的校准过程。另一个回归技术,提出了在2看不到),逐步多元线性回归(MLR),表达(3.1),也是在这里解决相互比较。观察到,缩减规模降水利用高技术显示预测技巧得分低于安方法,约为30%。的缩减规模的降雨使用高技术被发现单一和连续事件,0.68和0.46 在哪里是缩减规模使用高钙沉淀,直接模型输出降水预报,是独立的模型输出变量,是回归常数,回归系数,独立变量的个数。

3.2。洪水预报基于缩减规模降水

虽然超级坦克几乎是calibration-free要求,有必要验证参数的超级坦克模型通过使用降雨径流的繁殖信息来自雨量规。详细的径流模型和验证参数设置提出了(2]。超级坦克的水文模拟模型在流域出口使用输入来自雨水抵押品,或所谓的繁殖洪水径流(Q_rep), 9月27-30th洪水事件,2009年,绘制在图5(一个)。它显示与观察到的一个很好的协议自记水位计(Q_obs)。模型性能评估的NSI,显示出非常高的效率,大约0.93。与此同时,相对误差为16%,洪峰流量观测。

在下一步中,不同降雨估计从直接模型输出和缩减规模的结果,以下简称DMO和安,然后分别被用作输入超级坦克模型来预测洪水径流。预测洪水径流与观察到的放电也复制洪水径流,如图5(一个)和5 (b)。相当大的不确定性观察肢体自记水位计的上升是由DMO (Q_dmo)。另一方面,一个更好的预测对经济衰退的肢体被发现。很明显,降水的低估是低水位曲线的主要原因。它低估了实际峰值低于16%,但时间达到峰值同意与观察。模型的整体性能被NSI表示,约为0.74。

鉴于高缩减规模降水量观测预报技巧直接模型输出,因此,安增加了洪水预报技巧,见图5 (b)。预测的自记水位计(Q_ann)相媲美,获得使用雨量规(Q_rep),就像前面提到过的段落。改进的模型性能被发现和模型效率增加到0.92;与此同时,洪峰流量的相对误差降低到3.8%。

3.3。模型验证

评估的技巧ANN模型的数据集应该理想其下分为三,分别学习阶段、测试阶段、验证阶段(4]。事实上,有关数据可用性有限,只有学习阶段和验证阶段进行。在目前的研究中,2009年11月1 st-7th风暴事件被选模型验证。相比缩减规模沉淀积累,然后从模型获得输出以及实际观察。发现model-output-driven降水仍被低估,而缩减规模降雨量显示一个非常好的协议与实际观察,除了轻微高估的风暴。这些显然是见图6。这意味着相当降水预报能力的ANN模型。

降雨信息随后被用来预测洪水径流。成因的基础上预测降雨来自DMO和缩减规模使用安见图7。再一次,这是发现DMO-driven自记水位计严重低估了排放峰值。模型效率很低,与NSI约为0.25,相对误差38%的峰值。另一方面,缩减规模降水利用ANN-driven洪水预报,这个模型的验证,显示出实质性的改善,大约75%,模型的效率NSI是0.81。洪水传播行为与实际观测显示很好的协议,特别是高峰的时候。模型被发现轻微低估排放峰值,大约25%低于实际的山峰。然而,总量的比较显示密切观察到的体积的估算,只是比真正的体积下降了约14%。在这种情况下,可靠的估计的体积即将到来的洪水将会非常有用的信息,使防洪措施的实现,例如,通过适当的水库操作系统。

4所示。结论

本文提出了一种有效的empirical-statistical方法,使用最喜欢的安建筑、中长期规划,用误差反向传播训练方法,减少全球的降水数值天气预报输出basin-average规模,随后,被用于flood-runoff预测。降尺度模型考虑了降水演变引起的物理基础研究气象和地表特征的区域。因此,目前的模型表现出符合成本效益,简单的实现,和普遍应用。

这项研究结果显示相当大的不确定性在降水预测的全球NWP模型由于粗时空分辨率和系统固有的偏见。因此,洪水预测基于DMO没有什么预期。他们严重低估了真正的自记水位计。通过使用降尺度方法,然而,显著增加观察预测技能的洪水预测基于缩减规模的降水。安已经显示出更好的学习能力比使用高钙的方法。

提出模型表明提供可靠的信息即将到来的洪水在非常早期阶段(24小时交货时间),被认为是优于其他传统的预测方法,这样脆弱的社区和防洪的身体更积极地应对潜在威胁和损害,以确保防洪措施之一是有效地落实到位。此外,它应该被强调,使用简单,可靠,而且学习的好处是广泛应用的方法。预测模型因此被认为是普遍适用的,特别是在发展中国家天气观测稀缺和获得高分辨率的气象预测模型是有限的。

确认

作者想表达特别感谢国际先进的研究和教育研究所的东北大学,日本,为本研究的财政支持。特别感谢为提供给菲尔博士Brierley MLP神经编码和胡继晔博士曾对网格点值解码的工具。